环境科学研究  2017, Vol. 30 Issue (11): 1793-1800  DOI: 10.13198/j.issn.1001-6929.2017.03.10

引用本文  

杨鹏史, 刘永红, 黄玉婷, 等. 基于ES-VSP分布的交通状态对公交车动态排放的影响[J]. 环境科学研究, 2017, 30(11): 1793-1800.
YANG Pengshi, LIU Yonghong, HUANG Yuting, et al. Effects of Traffic States on Dynamic Emissions of Buses based on ES-VSP Distribution[J]. Research of Environmental Sciences, 2017, 30(11): 1793-1800.

基金项目

广东省自然科学基金项目(2016A030313297);广东省科技计划项目(2015B010110005,201704020053)

责任作者

刘永红(1977-), 女, 江西宜春人, 副教授, 博士, 主要从事大气环境及机动车污染控制研究, liu_its@163.com

作者简介

杨鹏史(1993-), 男, 广东汕头人, 1025995228@qq.com

文章历史

收稿日期:2016-11-14
修订日期:2017-08-16
基于ES-VSP分布的交通状态对公交车动态排放的影响
杨鹏史1,2 , 刘永红1,2 , 黄玉婷1,2 , 林晓芳1,2 , 沙志仁3     
1. 中山大学工学院智能交通研究中心, 广东 广州 510006;
2. 广东省交通环境智能监测与治理工程技术研究中心, 广东 广州 510275;
3. 广东方纬科技有限公司, 广东 广州 510006
摘要:为评估不同交通状态下公交车运行特征和排放水平的差异,现场采集广州市B9、226线路公交车的逐秒GPS数据,以ES-VSP(发动机负荷-机动车比功率)分布表征畅通、轻度拥堵和中度拥堵下的公交车运行特征,结合IVE(international vehicle emission)模型求得公交车平均排放因子并分析其差异.结果表明:①所测公交车的发动机低负荷区中bin11(-1.6 < ES ≤ 3.1,-2.9 kW/t ≤ VSP < 1.2 kW/t)频率范围为50.55%~83.39%,中度拥堵时bin 11频率是畅通时的1.1~1.3倍;② 3种交通状态下公交车的CO、VOC(运行产生的挥发性有机物)、VOCevap(蒸发产生的挥发性有机物)、NOx(氮氧化物)和PM(颗粒物)平均排放因子范围分别为7.63~11.40、0.26~0.46、0.68~1.56、0.32~0.51和0.72×10-2~1.28×10-2 g/km;③同种交通状态下,主干路公交车专用道和BRT车道的公交车的大部分污染物平均排放因子低于次干路混行车道、主干路混行车道,中度拥堵时主干路BRT车道的CO、VOC、VOCevap、NOx和PM平均排放因子相对其他道路最低,分别为7.66、0.27、0.87、0.32和0.75×10-2 g/km;④次干路混行车道、主干路混行车道的公交车污染物平均排放因子随交通状态愈加拥堵而增大,但畅通时主干路BRT车道的公交车行驶速度、加速度较高,导致CO平均排放因子较高,对应3种交通状态其比例为1.0:0.9:0.8.研究显示,交通状态对公交车运行和排放具有显著影响.
关键词交通状态    公交车    GPS    VSP (机动车比功率)    平均排放因子    
Effects of Traffic States on Dynamic Emissions of Buses based on ES-VSP Distribution
YANG Pengshi1,2 , LIU Yonghong1,2 , HUANG Yuting1,2 , LIN Xiaofang1,2 , SHA Zhiren3     
1. Center of Intelligent Traffic Research, School of Engineering, Sun Yat-sen University, Guangzhou 510006, China;
2. Guangdong Provincial Engineering Research Center for Traffic Environmental Monitoring and Control, Guangzhou 510275, China;
3. Guangdong Fundway Technology Co., Ltd., Guangzhou 510006, China
Abstract: In order to evaluate bus emissions in different traffic states, second-by-second GPS data of No.B9 and No.226 buses in Guangzhou were collected, and Engine Stress-Vehicle Specific Power(ES-VSP) distribution was used to characterize the bus operation conditions during free-flow, mild congestion and moderate congestion. Combining ES-VSP distribution and the International Vehicle Emission(IVE) model, the average emission factors of the buses were calculated, and the differences were analyzed. The results showed that frequencies of bin11 (-1.6 < ES ≤ 3.1, -2.9 kW/t ≤ VSP < 1.2 kW/t, representing low speed and acceleration) of the buses were between 50.55% and 83.39%, while the frequencies of bin11 of moderate congestion were 1.1-1.3 times those of free-flow. For various traffic states, the buses' average emission factor ranges of CO, VOC (volatile organic compounds emission from running), VOCevap (volatile organic compounds emission from evaporation), NOx (nitrogen oxide) and PM (particulate matter) were 7.63-11.40, 0.26-0.46, 0.68-1.56, 0.32-0.51 and 0.72×10-2-1.28×10-2 g/km, respectively. In the same traffic state, the bus average emission factors for ordinary bus lane or BRT lane of arterial road were mostly lower than those of mixed lane of secondary road or arterial road. The buses' average emission factors of CO, VOC, VOCevap, NOx and PM of BRT lane in moderate congestion state were 7.66, 0.27, 0.87, 0.32 and 0.75×10-2 g/km respectively, which were lower than those of the other three types of lane. With a more congested traffic state in mixed lane of secondary road or arterial road, the bus average emission factors increased. However, the higher speed and acceleration of buses on free-flow BRT lanes made the CO average emission factor higher. The CO average emission factor ratio was 1:0.9:0.8, corresponding to the three traffic states. The research showed that traffic states have an important influence in operation and emission of buses.
Keywords: traffic state    bus    GPS    VSP (vehicle specific power)    average emission factor    

近年来我国城镇化建设加速、机动车保有量快速增长[1-2],机动车排放尾气已成为我国当前复合型大气污染主要来源,严重危害公众健康[3].公交优先是当前减缓机动车尾气污染的有效政策之一,而设置公交专用车道是实现公交优先的常见手段.公交车作为城市道路中重要的交通工具,其运行工况和排放受城市道路随机多变的交通状态影响.因此研究城市不同道路类型上交通状态对公交车排放的影响有助于系统掌握公交优先政策的实施成效和控制机动车尾气排放.

机动车排放受多种因素(速度、加速度、燃油类型、催化器技术等)影响,目前,主要通过实验测试、模型计算等手段对其进行研究.其中,车载排放测试系统被广泛应用于研究单辆公交车的排放特性[4-7]、分析不同道路类型对公交车排放的影响[8-9]以及对比不同燃料或排放标准的公交车排放水平[10-13]等,但其测试样本有限.而模型手段相较于排放测试降低了研究成本,提供了更多便利性.典型的排放模型包括COPERT、MOVES(motor vehicle emission simulator)以及IVE(international vehicle emission).其中,MOVES和IVE模型基于工况计算机动车排放[14-15],相较传统的基于平均速度计算排放的模型更准确反应了行驶特征对机动车排放的影响,被广泛应用于计算机动车排放清单和研究驾驶风格、交通状态等因素对机动车排放的影响[16-19]等方面,很少被应用于研究公交车排放.

一些学者对公交车排放及影响因素进行了更深入的研究. SONG等[20]基于VSP(机动车比功率)排放模型和GPS数据采集实验,建立交叉口延误时间、停车次数与公交车污染物延误排放修正因子之间的关系. YU等[21-22]基于PEMS(portable emission measurement system)和GPS收集公交车在南京市道路的运行和排放数据,分析公交车在不同载客重量、速度和加速度区间下的排放速率,探究了公交车的车站停靠行为对其排放的影响. Alam等[23-24]通过交通仿真软件VISSIM和排放模型MOVES评估了信号优先、公交站点分布、车速、道路坡度等因素对公交车排放的影响.吴孟庭等[25]则利用VISSIM和CMEM(comprehensive modal emission model)模拟计算南京市太平北路(公交车和社会车辆混行路段)部分车道改造为公交车专用道后公交车及整个路段车队的排放因子.

综上,目前多数研究或考虑单辆公交车自身的速度和加速度对排放的影响,或分析交叉口延误、载客重量、公交站停靠行为等排放影响因素,较少考虑路段交通状态对公交车排放的影响.因此,该研究将路段视作整体,用占路段车辆数最大比例的轻型车的平均速度来划分路段交通状态,通过现场采集公交车运行数据,建立路段交通状态与公交车排放的映射关系,以此分析不同交通状态下公交车的运行特征和排放规律,为评估城市公交车排放水平和制订交通减排措施提供参考.

1 研究方法与过程

现场采集广州中心城区部分公交车的运行数据,基于不同道路类型对数据进行提取,划分成不同的交通状态,计算各情况下公交车的ES(发动机负荷)和VSP,求得ES-VSP分布和平均排放因子并分析其运行和排放差异(见图 1).

图 1 技术路线 Fig.1 Technology roadmap
1.1 模型方法

该文采用ES和VSP表征机动车的运行工况,并参考IVE模型框架,将ES-VSP分成60个bin(bin0~ bin59),每个bin对应一个排放修正系数,以此构建机动车运行工况和排放水平之间的关系.每种车辆的基准排放因子来自于IVE模型数据库,在基准排放因子的基础上,考虑各修正参数(不同运行工况bin的修正、温湿度、维护制度、燃油组分等)的影响.该计算模型可反映不同车辆运行状态对排放产生的影响,其运行排放量和平均排放因子的计算原理见式(1)~(3)[26]

$ {Q_j} = {B_j} \times \prod\limits_i {{K_{ij}}} $ (1)
$ {E_{{\rm{running}}}} = D \times {U_{{\rm{FIP}}}}/{U_{\rm{C}}} \times \sum\limits_j {\left[{{f_j} \times {Q_j} \times \sum\limits_d {\left( {{f_{d, j}} \times {K_{d, j}}} \right)} } \right]} $ (2)
$ \overline {{\rm{EF}}} = {E_{{\rm{running}}}}/D $ (3)

式中:i为不包括运行工况在内的各修正因素;j为车型;d为bin编号;Ki, j为不包括运行工况在内的各修正参数;Bj为基准排放因子,g/km;Qj为初步修正后的排放因子,g/km;Kd, j为bin修正参数;fd, j为bin频率;fj为车型组成百分比;D为里程,km;UFTPUC分别为FTP(Federal Test Procedure)测试工况下的平均速度和实际平均速度,km/h;Erunning为运行排放量,g;EF为平均排放因子,g/km.

1.2 数据采集

为研究不同交通状态下公交车的排放特征,需通过实验获取公交车实际道路运行的时间速度序列等数据.该文采用GPS采集设备于2015年10—11月对广州市中心城区B9和226线路的35辆公交车进行了现场数据采集,每条线路采集时间覆盖周三和周五(07:00—22:00).两条公交线路经过海珠区、越秀区、天河区等广州中心城区,在道路类型上涵盖次干路、主干路,在公交优先方式上包含普通混行道路、限时公交专用道和快速公交车道BRT(bus rapid transit),具体线路见图 2.现场采集了每趟公交车实际行驶过程中的逐秒速度、经纬度、行驶里程等数据,其中B9路含28趟,226路含32趟,共20万余条数据.

图 2 B9、226公交线路行驶路线 Fig.2 Routes of No.B9 and No.226 buses
1.3 数据处理 1.3.1 目标道路数据提取

获取车辆途径道路的地理位置和属性等信息,以便筛选出目标道路的GPS数据并进行分类.从网站http://www.gpsspg.com/maps.htm可获取各类地图的经纬度,该研究以“谷歌地球”的经纬度为准.按道路类型、公交优先方式对筛选的道路进行归类,分为次干路混行车道、主干路混行车道、主干路公交车专用道和主干路BRT车道,具体结果见表 1.

表 1 道路名称和类型 Table 1 Names and types of the roads
1.3.2 交通状态划分

判断筛选得到的公交车GPS数据的路段交通状态.参考DBJ 440100/T 164—2013《城市道路交通运行评价指标体系》[27],以路段平均速度作为交通运行状态评价指标,将城市道路交通状态分为3个级别:畅通、轻度拥堵和中度拥堵.划分具体标准见表 2.

表 2 不同道路类型下路段交通状态的划分方法 Table 2 Classification method of traffic states of different road types

其中,路段平均速度由大数据平台获得,以2015年路段路况统计报表形式呈现.该路段平均速度数据源于占据城市道路交通流量比重最大的轻型车,可代表路段交通状态.每张报表以10 min为间隔,展示了相应路段一整天的平均速度.结合路段平均速度数据和交通状态划分标准,可确定目标日相关道路在不同时间下的交通状态.

1.3.3 ES-VSP分布计算

基于不同道路类型和交通状态划分下的GPS数据,计算公交车ES-VSP分布.该研究使用VSP和ES表征机动车瞬态工作状态,构建ES-VSP分布和机动车排放水平的关系[28].其参数定义和计算方法见式(4)(5).

$ {\rm{VSP}} = v\left\{ {1.1a + 9.81\left[{{\rm{arctan}}\left( {\sin \theta } \right)} \right] + 0.132} \right\} + 0.000\;302{v^3} $ (4)

式中:v为车辆瞬时速度,m/s;a为车辆瞬时加速度,m/s2θ为道路坡度.

$ {\rm{ES = 0}}{\rm{.08}} \times {\rm{Preaverage + RPMindex}} $ (5)

式中:Preaverage为发动机前25 s到5 s的VSP平均值,kW/t;RPMindex为瞬时速度与速度因子的比值,速度因子的取值由速度和VSP共同决定. ES与机动车瞬时速度和发动机前25 s到前5 s共20 s的历史VSP有关,其值较高时表明机动车在前一段时间高速行驶或有突然的加速[29].

将ES-VSP划分成60个bin,每个bin对应一个排放修正系数.其中bin0~bin19(-1.6 < ES≤3.1,-80 kW/t≤VSP < 1 000 kW/t)为发动机低负荷区,bin20~bin39(3.1 < ES≤7.8,-80 kW/t≤VSP < 1 000 kW/t)为发动机中负荷区,bin40~bin59(7.8 < ES≤12.6,-80 kW/t≤VSP < 1 000 kW/t)为发动机高负荷区.该模型可计算机动车不同运行工况下的排放.

1.3.4 车辆技术水平特征

车辆技术水平是实现公交车平均排放因子计算的关键信息之一,包括燃油、空气燃料控制系统、车型级别、行驶里程分布、催化器技术等.实验中公交车由多点喷射LPG(液化石油气)和NG(天然气)公交车组成,排量均在3.0 L以上,均配置针对HC、CO和NOx排放控制的催化剂.为获取所需的燃油和行驶里程分布信息,对广州市全市公交车登记数据库(包含车型及车型数量)的数据进行统计,以此估计广州市中心城区的公交车燃油比例,并根据公交车的国家排放标准比例估计广州市中心城区公交车的累积行驶里程比例.估算结果见表 3.

表 3 广州中心城区公交车车型分布估算结果 Table 3 Calculating results of bus type distribution of Guangzhou central urban area
2 结果与讨论 2.1 不同交通状态的ES-VSP分布特征分析

运行工况是建立交通状态与公交车排放联系的关键.统计每种交通状态和道路类型下公交车的ES-VSP分布和平均速度(见表 4).由于计算所得的公交车运行工况主要分布于bin0~bin19之间,并且无bin40~bin59分布,表 4仅呈现bin0~bin19的情况.

表 4 各交通状态公交车ES-VSP分布及平均速度 Table 4 S-VSP distributions and average speeds of buses in different traffic states

表 4可知,四种道路的公交车平均速度均随交通状态愈加拥堵而减小,表明道路社会车辆的行驶状态对公交车运行产生了明显影响.相同的交通状态下,主干路公交车专用道的公交车平均速度分别是次干路混行车道和主干路混行车道的1.22~1.34、1.31~1.46倍,主干路BRT车道的公交车平均速度分别是次干路混行车道和主干路混行车道的1.39~1.74、1.48~1.90倍.反映公交优先政策对提高公交车运行速度有一定成效.

公交车运行主要处于低负荷区bin0~bin19,其频率超过99.93%. bin11(-1.6 < ES≤3.1,-2.9 kW/t≤ VSP < 1.2 kW/t)代表低速、低加速度的行驶状态,其频率最高,范围为50.55%~83.39%,其随交通状态的变化较为明显.每类道路上公交车的bin11频率随交通状态愈加拥堵而增大.次干路混行车道在畅通、轻度拥堵、中度拥堵时的bin11频率比例为1.0:1.1:1.2,主干路混行车道为1.0:1.0:1.1,主干路公交车专用道为1.0:1.1:1.3,主干路BRT车道为1.0:1.2:1.3.每类道路在不同交通状态时的bin11频率比例无明显差异.

同种交通状态下,各道路类型bin11频率大小体现出基本一致的规律:次干路混行车道>主干路混行车道>主干路公交车专用道>主干路BRT车道.

2.2 不同交通状态的平均排放因子分析

将各分类类别下的运行工况用于计算排放,求出公交车的平均排放因子. CO、VOC(运行产生的挥发性有机物)、VOCevap(蒸发产生的挥发性有机物)、NOx(氮氧化物)和PM(颗粒物)平均排放因子计算结果见图 3.

注:CO和PM平均排放因子分别为其实际排放因子的0.1和100倍. 图 3 各交通状态公交车平均排放因子 Fig.3 Average emission factors of buses in different traffic states

各类别下公交车的CO、VOC、VOCevap、NOx和PM平均排放因子范围分别为7.63~11.40、0.26~0.46、0.68~1.56、0.32~0.51和0.72×10-2~1.28×10-2 g/km.

图 3可知,畅通和轻度拥堵时主干路公交车专用道和主干路BRT车道大部分污染物平均排放因子较低.中度拥堵时,主干路BRT车道CO、VOC、VOCevap、NOx和PM平均排放因子相对其他道路最低,分别为7.66、0.27、0.87、0.32、0.75×10-2 g/km,充分表明BRT公交车在交通高峰期运行顺畅、排放水平低的优势.

次干路混行车道和主干路混行车道的污染物平均排放因子均随交通状态愈加拥堵而增大.对应畅通、轻度拥堵、中度拥堵3种状态,次干路混行车道CO、VOC、VOCevap、NOx、PM平均排放因子比例分别为1.0:1.1:1.2、1.0:1.1:1.3、1.0:1.1:1.5、1.0:1.1:1.3和1.0:1.1:1.4,主干路混行车道则为1.0:1.1:1.2、1.0:1.0:1.3、1.0:1.0:1.4、1.0:1.1:1.3和1.0:1.1:1.3.但主干路公交车专用道的CO平均排放因子与交通状态之间的关系不明显,其比例为1.0:1.0:1.0.而主干路BRT车道公交车的CO平均排放因子随交通状态愈加拥堵而减小,其比例为1.0:0.9:0.8,并且VOC、NOx、PM平均排放因子与交通状态间的关系不明显.

为分析主干路公交车专用道和主干路BRT车道排放计算结果具有特殊性的原因,从模型计算排放的原理入手.式(2)表明各个bin对应的排放水平和bin频率是该模型推算整体排放的关键.以CO为例,基于已设定的车型分布,提取每个bin(bin0~bin39)的排放速率见图 4.

图 4 基于车型分布的bin CO排放速率 Fig.4 CO emission rates of bins based on bus type distribution

图 4可知,bin14~bin19和bin34~bin39这12个bin均属高排放速率区,其CO排放速率与其他bin相差悬殊,并且发动机中负荷区bin34~bin39更为明显. bin14~bin19、bin34~bin39的CO排放速率分别是bin11的221和575倍.该类bin对于最终的排放计算结果易产生更多贡献.为进行验证,将4种道路类型的高排放区的频率分布整理见图 5.

图 5 各道路类型高排放速率区频率 Fig.5 Frequencies of high emission rate bins of different road types

主干路公交车专用道和主干路BRT车道均体现为畅通时bin34~bin39的频率比其他交通状态更高,同时高排放速率区频率总和也表现为:畅通>轻度拥堵>中度拥堵.其中,对应畅通、轻度拥堵、中度拥堵3种状态,主干路BRT车道bin34~bin39频率总和比例是1.0:0.4:0,高排放速率区频率总和比例是1.0:0.7:0.3.在IVE模型中,高排放速率区有着较高的VSP值或ES值,代表车辆行驶速度或加速度较高,这表明BRT车道在畅通时公交车高速行驶,驾驶员有更多的空间采取较高的加速度,导致CO平均排放因子更高.而次干路混行车道和主干路混行车道在bin34~bin39上的频率均为0,同时其高排放速率区的频率总和绝对值较小,对整体排放水平的贡献相对较少.其他污染物的分析思路相同.

高谋荣等[30]对LNG(液化天然气)公交车排放特性的研究中出现了与该研究相似的情况,其测试得到的LNG公交车的NOx排放因子与车速的关系曲线在18 km/h左右的地方出现上升波动.结合该研究可表明,公交车污染物排放水平不仅与平均行驶速度相关,与行驶工况的联系同样密切.在BRT车道和公交车专用道两种道路类型上,由于公交车的车速、加速度较高,其CO、NOx平均排放因子可能在畅通时更高一些.

3 结论

a) 交通状态对公交车运行特征有明显影响.所测公交车的运行工况主要分布于发动机低负荷区bin0~bin19,bin11频率范围为50.55%~83.39%.随着交通状态愈加拥堵,每类道路上的公交车在低速低加速度区bin11上的频率增大.

b) 相同交通状态下,主干路公交车专用道、BRT车道的公交车平均速度是次干路混行车道、主干路混行车道的1.22~1.90倍,并且主干路公交车专用道和BRT车道大部分污染物平均排放因子较低.表明公交优先对于提高公交车运行速度和减少尾气排放有一定成效.

c) 次干路混行车道和主干路混行车道的公交车污染物平均排放因子均随交通状态愈加拥堵而增大.主干路公交车专用道的公交车CO平均排放因子与交通状态之间的关系不明显.而畅通时主干路BRT车道的公交车行驶速度、加速度较高,导致CO平均排放因子较高,对应畅通、轻度拥堵、中度拥堵其比例为1.0:0.9:0.8.

参考文献
[1]
环境保护部.中国机动车污染防治年报(2015)[R].北京:环境保护部, 2015:4-5. (0)
[2]
WU Ye, ZHANG Shaojun, HAO Jiming, et al. On-road vehicle emissions and their control in China:a review and outlook[J]. Science of the Total Environment, 2017, 574: 332-349. DOI:10.1016/j.scitotenv.2016.09.040 (0)
[3]
WU Xiaomeng, WU Ye, ZHANG Shaojun, et al. Assessment of vehicle emission programs in China during 1998-2013:achievement, challenges and implications[J]. Environmental Pollution, 2016, 214: 556-567. DOI:10.1016/j.envpol.2016.04.042 (0)
[4]
WU Xiaomeng, ZHANG Shaojun, WU Ye, et al. Real-world emissions and fuel consumption of diesel buses and trucks in macao:from on-road measurement to policy implications[J]. Atmospheric Environment, 2015, 120: 393-403. DOI:10.1016/j.atmosenv.2015.09.015 (0)
[5]
楼狄明, 成伟, 冯谦. 国Ⅳ天然气公交车实际道路颗粒物排放特性[J]. 环境科学, 2014, 35(3): 864-869.
LOU Diming, CHENG Wei, FENG Qian. On road particle emission characteristics of a Chinese phase Ⅳnatural gas bus[J]. Environmental Science, 2014, 35(3): 864-869. (0)
[6]
彭美春, 吴晓伟, 江晓燕. 基于比功率的LPG公交车排放特性研究[J]. 汽车工程, 2014, 36(3): 269-272.
PENG Meichun, WU Xiaowei, JIANG Xiaoyan. A study on the emission characteristics of LPG transit buses based on VSP[J]. Automotive Engineering, 2014, 36(3): 269-272. (0)
[7]
彭美春, 蔡妙甜, 吴晓伟, 等. 大型LPG公交车运行工况与排放特性的试验研究[J]. 汽车工程, 2011, 33(11): 942-950.
PENG Meichun, CAI Miaotian, WU Xiaowei, et al. An experimental study on the operating conditions and emission characteristics of large-sized LPG bus[J]. Automotive Engineering, 2011, 33(11): 942-950. (0)
[8]
YUE Tingting, CHAI Fahe, HU Jingnan, et al. Gaseous emissions from compressed natural gas buses in urban road and highway tests in China[J]. Journal of Environmental Sciences, 2016, 48: 193-199. DOI:10.1016/j.jes.2016.01.028 (0)
[9]
陈旭梅, 王莹, 羡晨阳, 等. 基于比功率的北京快速公交车辆排放特征[J]. 北京交通大学学报, 2012, 36(6): 90-95.
CHEN Xumei, WANG Ying, XIAN Chenyang, et al. Emission characteristics analysis of Beijing BRT vehicle based on VSP parameter[J]. Journal of Beijing Jiaotong University, 2012, 36(6): 90-95. (0)
[10]
GUO Jiadong, GE Yunshan, HAO Lijun, et al. Comparison of real-world fuel economy and emissions from parallel hybrid and conventional diesel buses fitted with selective catalytic reduction systems[J]. Applied Energy, 2015, 159: 433-441. DOI:10.1016/j.apenergy.2015.09.007 (0)
[11]
WANG Aijuan, GE Yunshan, TAN Jianwei, et al. On-road pollutant emission and fuel consumption characteristics of buses in Beijing[J]. Journal of Environmental Sciences, 2011, 23(3): 419-426. DOI:10.1016/S1001-0742(10)60426-3 (0)
[12]
ZHANG Shaojun, WU Ye, HU Jingnan, et al. Can Euro V heavy-duty diesel engines, diesel hybrid and alternative fuel technologies mitigate NOx emissions? new evidence from on-road tests of buses in China[J]. Applied Energy, 2014, 132: 118-126. DOI:10.1016/j.apenergy.2014.07.008 (0)
[13]
LIU Zhihua, GE Yunshan, JOHNSON K C, et al. Real-world operation conditions and on-road emissions of Beijing diesel buses measured by using portable emission measurement system and electric low-pressure impactor[J]. Science of the Total Environment, 2011, 409(8): 1476-1480. DOI:10.1016/j.scitotenv.2010.12.042 (0)
[14]
ZHAO Yunjie, SADEK A W. Computationally-efficient approaches to integrating the MOVES emissions model with traffic simulators[J]. Procedia Computer Science, 2013, 19: 882-887. DOI:10.1016/j.procs.2013.06.118 (0)
[15]
GUO Hui, ZHANG Qingyu, SHI Yao, et al. Evaluation of the international vehicle emission (IVE) model with on-road remote sensing measurements[J]. Journal of Environmental Sciences, 2007, 19(7): 818-826. DOI:10.1016/S1001-0742(07)60137-5 (0)
[16]
WALLACEH W, JOBSON B T, ERICKSON M H, et al. Comparison of wintertime CO to NOx ratios to MOVES and MOBILE6.2 on-road emissions inventories[J]. Atmospheric Environment, 2012, 63: 289-297. DOI:10.1016/j.atmosenv.2012.08.062 (0)
[17]
SENTOFF K M, AULTMAN-HALL L, HOLMÉN B A. Implications of driving style and road grade for accurate vehicle activity data and emissions estimates[J]. Transportation Research Part D:Transport and Environment, 2015, 35: 175-188. DOI:10.1016/j.trd.2014.11.021 (0)
[18]
SHAFIE-POURM, TAVAKOLIA. On-road vehicle emissions forecast using IVE simulation model[J]. International Journal of Environmental Research, 2013, 7(2): 367-376. (0)
[19]
陈泳钊, 刘永红, 林晓芳, 等. 基于浮动车数据分析交通状态对轻型车排放的影响[J]. 环境科学研究, 2016, 29(4): 494-502.
CHEN Yongzhao, LIU Yonghong, LIN Xiaofang, et al. Evaluating the effects of traffic states on light-duty vehicle emissions in urban area based on floating car data[J]. Research of Environmental Sciences, 2016, 29(4): 494-502. (0)
[20]
SONG Guohua, ZHOU Xixi, YU Lei. Delay correction model for estimating bus emissions at signalized intersections based on vehicle specific power distributions[J]. Science of the Total Environment, 2015, 514: 108-118. DOI:10.1016/j.scitotenv.2015.01.099 (0)
[21]
YU Qian, LI Tiezhu, LI Hu. Improving urban bus emission and fuel consumption modeling by incorporating passenger load factor for real world driving[J]. Applied Energy, 2016, 161: 101-111. DOI:10.1016/j.apenergy.2015.09.096 (0)
[22]
YU Qian, LI Tiezhu. Evaluation of bus emissions generated near bus stops[J]. Atmospheric Environment, 2014, 85: 195-203. DOI:10.1016/j.atmosenv.2013.12.020 (0)
[23]
ALAM A, HATZOPOULOU M. Reducing transit bus emissions:alternative fuels or traffic operations?[J]. Atmospheric Environment, 2014, 89: 129-139. DOI:10.1016/j.atmosenv.2014.02.043 (0)
[24]
ALAM A, HATZOPOULOU M. Investigating the isolated and combined effects of congestion, roadway grade, passenger load, and alternative fuels on transit bus emissions[J]. Transportation Research Part D:Transport and Environment, 2014, 29: 12-21. DOI:10.1016/j.trd.2014.03.005 (0)
[25]
吴孟庭, 李铁柱. 路段公交专用道对车辆燃油消耗与污染物排放的影响分析[J]. 交通运输工程与信息学报, 2009, 7(3): 78-86.
WU Mengting, LI Tiezhu. Influence analysis of vehicle fuel consumption and exhaust emission on bus lane[J]. Journal of Transportation Engineering and Information, 2009, 7(3): 78-86. (0)
[26]
竟峰, 张旭. 利用IVE模型进行公交车尾气排放分析[J]. 环境科学与技术, 2006, 29(9): 46-48. (0)
[27]
广州市交通委员会. DBJ 440100/T 164-2013城市道路交通运行评价指标体系[S]. 广州: 广州市交通委员会, 2013. (0)
[28]
贺克斌, 霍红, 王岐东, 等. 道路机动车排放模型技术方法与应用[M]. 北京: 科学出版社, 2014, 179-180. (0)
[29]
王虎, 李孟良, 乔维高. 一种汽车源排放模型:IVE模型简介[J]. 中国环境监测, 2007, 23(5): 78-81.
WANG Hu, LI Mengliang, QIAO Weigao. A mobile source emission assessment model-IVE model[J]. Environmental Monitoring in China, 2007, 23(5): 78-81. (0)
[30]
高谋荣, 黄文伟, 万霞. 基于PEMS的LNG公交大巴排放特性研究[J]. 环境工程, 2014(11): 151-154.
GAO Mourong, HUANG Wenwei, WAN Xia. Study on the emission characteristics of LNG buses based on PEMS[J]. Environmental Engineering, 2014(11): 151-154. (0)